論文の概要: Vision Meets WiFi: Physics-Grounded Estimation of Volumetric Mechanical Properties
- arxiv url: http://arxiv.org/abs/2608.07726v1
- Date: Fri, 07 Aug 2026 19:30:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.488215
- Title: Vision Meets WiFi: Physics-Grounded Estimation of Volumetric Mechanical Properties
- Title（参考訳）: Wi-Fiのビジョン:物理計算による体積力学特性の推定
- Abstract要約: 体積的機械的プロパティ推定のためのオブジェクト中心のフレームワークであるViWiを紹介する。
ViWiは、各オブジェクトをコンパクトな素材スロットセットで表現し、ボクセルからの証拠を共有材料アイデンティティで集約する。
視覚的外観を補完するために、ViWiはWiFiバンド電磁シミュレーションによって生成された小型RFディスクリプタを組み込んだ。
- 参考スコア（独自算出の注目度）: 15.900044098848516
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating volumetric mechanical properties, including Young's modulus, Poisson's ratio, and density at each voxel, is intrinsically ambiguous from vision alone, as visually similar objects may have substantially different material compositions and physical behavior. Existing approaches predict these properties independently across voxels, overlooking the piecewise-constant material structure of real objects and producing noisy or inconsistent estimates for voxels that share the same material, while lacking an explicit mechanism to resolve visual ambiguity. We introduce ViWi (Vision Meets WiFi), an object-centric framework for volumetric mechanical-property estimation. ViWi represents each object using a compact set of material slots that aggregate evidence from voxels with a shared material identity and produce coherent slot-level property predictions. To complement visual appearance, ViWi incorporates a compact RF descriptor generated through WiFi-band electromagnetic simulation using permittivity and conductivity. The RF descriptor conditions the material slots with global composition cues that may be unavailable from images, while visual features preserve voxel-level spatial localization. Across volumetric mechanical-property and mass-estimation benchmarks, ViWi improves over the prior state of the art on four of six per-voxel metrics, while its vision-only variant improves all mass-estimation metrics. These results demonstrate that combining object-centric material structure with complementary RF evidence enables more accurate and physically coherent volumetric property estimation beyond what is possible from visual appearance alone.
- Abstract（参考訳）: ヤング率、ポアソン比、各ボクセル密度などの体積力学的特性を推定することは、視覚的に類似した物体が実質的に異なる物質組成と物理的挙動を持つため、視覚のみから本質的に曖昧である。
既存のアプローチでは、これらの特性をボクセル間で独立に予測し、実際の物体の断片的に一貫性のある物質構造を見極め、同じ物質を共有するボクセルのノイズや一貫性のない推定を生成するが、視覚的曖昧さを解決するための明確なメカニズムは欠如している。
ViWi(Vision Meets WiFi)は,体積的機械的プロパティ推定のためのオブジェクト中心のフレームワークである。
ViWiは、ボクセルからの証拠を共有材料アイデンティティで集約し、コヒーレントなスロットレベルの特性予測を生成する、コンパクトな素材スロットセットを使用して、各オブジェクトを表現している。
視覚的外観を補完するため、WiWiは誘電率と導電率を用いたWiFiバンド電磁シミュレーションによって生成された小型RFディスクリプタを組み込んだ。
RFディスクリプタは、画像から利用できないグローバルな合成キューで素材スロットを条件付け、視覚的特徴はボクセルレベルの空間的局在を保存する。
ボリュームの機械的優位性と質量推定のベンチマーク全体において、ViWiは6つのボクセル単位のメトリクスのうち4つの最先端のメトリクスを改良し、視覚のみのバリエーションはすべての質量推定指標を改善している。
これらの結果から,物体中心の物質構造と相補的なRFエビデンスを組み合わせることで,視覚的外観のみから可能な範囲を超えて,より正確で物理的に整合した体積特性の推定が可能になることが示唆された。
関連論文リスト
- UniPixie: Unified and Probabilistic 3D Physics Learning via Flow Matching [29.8272108619491]
UNIPIXIEは、単一の視覚入力から物理的に可視な材料特性の連続経路を予測するために訓練されたフレームワークである。
PIXIEMULTIVERSEデータセット上で物体の最も軟弱なスペクトルに沿った直接マッピングを学習することで、UNIPIXIEは多様な物理的に有効な物質場を制御可能な生成を可能にする。
論文 参考訳（メタデータ） (2026-06-03T20:08:23Z) - VLMaterial: Vision-Language Model-Based Camera-Radar Fusion for Physics-Grounded Material Identification [2.934626037282987]
本稿では,視覚言語モデル(VLM)とドメイン固有のレーダ知識を融合した学習自由フレームワークを提案する。
実験の結果、VLMaterialは96.08%の認識精度を達成し、最先端のクローズドセットベンチマークと同等の性能を提供することがわかった。
論文 参考訳（メタデータ） (2026-04-13T16:16:28Z) - Exploring Physical Intelligence Emergence via Omni-Modal Architecture and Physical Data Engine [50.62040226184694]
我々はOmniFysicsについて紹介する。OmniFysicsは、画像、音声、ビデオ、テキスト間の理解を統一するコンパクトなオムニモーダルモデルである。
明示的な物理知識を注入するために、2つのコンポーネントからなる物理データエンジンを構築します。
実験は、標準マルチモーダルベンチマークにおける競合性能を示し、物理指向評価の結果を改善した。
論文 参考訳（メタデータ） (2026-02-05T14:04:51Z) - XDen-1K: A Density Field Dataset of Real-World Objects [48.479432547763025]
実世界の物理的特性推定のために設計された最初のデータセットであるXDen-1Kを紹介する。
このデータセットの中核は、148のカテゴリにまたがる1,000の現実世界のオブジェクトで構成されている。
スパースX線ビューから各オブジェクトの高忠実度体積密度場を復元する新しい最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-11T14:15:42Z) - VoMP: Predicting Volumetric Mechanical Property Fields [12.504007202543784]
VoMPは、ヤング率(E$)、ポアソン比(nu$)、密度(rho$)を予測するために訓練されたフィードフォワード方式である。
ボクセルごとのマルチビュー機能を集約し、トレーニング済みのGeometry Transformerに渡して、ボクセルごとの潜伏コードを予測する。
実験により、VoMPは正確な体積特性を推定し、精度と速度において先行技術よりもはるかに優れていることが示された。
論文 参考訳（メタデータ） (2025-10-27T03:56:25Z) - Interpretable Nanoporous Materials Design with Symmetry-Aware Networks [2.8439574844683677]
大規模ナノ多孔体構造を局所的な幾何学的部位に分解する3次元周期空間サンプリング法について報告する。
本モデルは, ガスの貯蔵, 分離, 導電性に関する特性予測のための最先端の精度とデータ効率を実現する。
論文 参考訳（メタデータ） (2025-09-19T12:04:26Z) - MASIV: Toward Material-Agnostic System Identification from Videos [76.36666848173141]
MASIVは、物質に依存しないシステム識別のためのビジョンベースのフレームワークである。
学習可能なニューラルモデルを採用し、シーン固有の物質を事前に仮定することなく、オブジェクトのダイナミクスを推定する。
幾何的精度、レンダリング品質、一般化能力において最先端の性能を達成する。
論文 参考訳（メタデータ） (2025-08-01T23:23:45Z) - The Sound of Water: Inferring Physical Properties from Pouring Liquids [85.30865788636386]
注水液の音響・視覚観測と物理の関連性について検討した。
本研究の目的は, 液位, 容器形状, 注水速度, 充填時間などの物性を自動的に推定することである。
論文 参考訳（メタデータ） (2024-11-18T01:19:37Z) - Keypoint Description by Symmetry Assessment -- Applications in
Biometrics [49.547569925407814]
有限展開によりキーポイント周辺の近傍を記述するモデルに基づく特徴抽出器を提案する。
そのような関数の等曲線は、原点(キーポイント)と推定されたパラメータがよく定義された幾何学的解釈を持つように、高度に対称な w.r.t である。
論文 参考訳（メタデータ） (2023-11-03T00:49:25Z) - ComPhy: Compositional Physical Reasoning of Objects and Events from
Videos [113.2646904729092]
目に見える性質と隠れた性質の間の構成性は、物理的な世界から推論するAIモデルに固有の課題をもたらす。
ビデオ推論に関する既存の研究は、主に物体の外観、動き、接触相互作用などの視覚的に観察可能な要素に焦点を当てている。
本稿では,視覚知覚,物理特性学習,動的予測,記号実行を組み合わせた,構成物理学学習(CPL)と呼ばれるオラクルニューラルシンボリックフレームワークを提案する。
論文 参考訳（メタデータ） (2022-05-02T17:59:13Z) - Non-perfect propagation of information to noisy environment with
self-evolution [0.11719282046304676]
進化する低次元環境への情報の非完全伝播について検討する。
3つの相互作用量子ビットのモデルに対する客観性パラメーターを導出する。
論文 参考訳（メタデータ） (2022-01-27T16:04:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。